定义浅层神经网络架构

定义浅层神经网络架构和算法

功能

`网络`	创建自定义浅层神经网络

例子和如何

自定义神经网络

创建神经网络对象
创建并学习神经网络对象的基本组件。
配置浅神经网络输入和输出
培训之前，请使用配置函数。
理解浅层网络数据结构
了解输入数据结构的格式如何影响网络模拟。
编辑浅神经网络属性
使用网络的属性定制网络体系结构，并使用和训练自定义网络。

历史和替代神经网络

自适应神经网络滤波器
设计一个自适应线性系统，它能在运行时对环境的变化做出反应。
感知器神经网络
学习感知器网络的架构、设计和训练，以解决简单的分类问题。
用双输入感知器进行分类
训练一个双输入硬极限神经元，将四个输入向量分为两类。
离群输入向量
训练一个2输入硬极限神经元，将5个输入向量分为两类。
归一化感知器规则
训练一个2输入硬极限神经元，将5个输入向量分为两类。
线性不可分向量
2输入硬极限神经元不能正确地分类5个输入向量，因为它们是线性不可分的。
径向基神经网络
学习设计和使用径向基网络。
径向基近似
本示例使用NEWRB函数创建径向基网络，该网络近似于由一组数据点定义的函数。
径向基重叠神经元
一个径向基网络被训练以响应特定的输入与目标输出。
径向基重叠神经元
一个径向基网络被训练以响应特定的输入与目标输出。
GRNN函数逼近
本例使用NEWGRNN和SIM函数。
并通过分类
本例使用NEWPNN和SIM函数。
概率神经网络
将概率神经网络用于分类问题。
广义回归神经网络
学习设计用于函数逼近的广义回归神经网络(GRNN)。
学习矢量量化(LVQ)神经网络
创建并训练一个学习矢量量化(LVQ)神经网络。
学习矢量量化
训练LVQ网络根据给定目标对输入向量进行分类。
线性神经网络
设计一个线性网络，当给出一组给定的输入向量时，产生相应的目标向量的输出。
线性预测设计
这个例子说明了如何设计一个线性神经元来预测给定最后五个值的时间序列中的下一个值。
自适应线性预测
这个例子展示了自适应线性层如何在给定当前值和最后四个值的情况下，学习预测信号中的下一个值。

概念

神经网络设计工作流
学习神经网络设计过程中的主要步骤。
神经元模型
了解单输入神经元，它是神经网络的基本构件。
神经网络架构
学习单层和多层网络的架构。
自定义神经网络辅助函数
使用模板函数创建自定义函数，这些函数控制算法来初始化、模拟和训练网络。